Hvordan AI gjør metallavdekting viktigere enn noen gang

Hver dag passer millioner av mennesker gjennom gjennomgangs-metallavdektere på flyplasser, skoler, konsertarenaer, rettsbygninger og kontorbygninger. En overveldende majoritet tenker knapt to ganger om denne prosessen eller faktumet at disse enhetene fungerer som en essensiell brannmur for deres eget velvære. Når en avdekter bipper, sees det vanligvis som en mindre irritasjon eller forsinkelse – når årsaken er løst, fortsetter alle med dagen.

Det er ingen hemmelighet at vi lever i en verden med økende sikkerhetstendenser, voksende folkemengder og en økning i ulykkslige hendelser. Den forventede virkningen av dette er at sikkerhetsindustrien konfronteres med en høyere etterspørsel enn noen gang for teknologi som ikke bare griper inn i øyeblikket etter en trussel, men kan fungere som en prediktiv, proaktiv barriere for sikkerhet.

Bak den enkle ritualen av å gå gjennom en metallavdekter, kan det overraske deg å lære at en teknologisk revolusjon er i gang i sikkerhetssektoren. Kunstig intelligens og maskinlæring omdefinerer hele konseptet metallavdekting, gjør det raskere, smartere og mer nøyaktig enn noen gang før.

Balansere nøyaktighet og etterspørsel

La oss først undersøke industrien fra et fugleperspektiv. Drevet av de nevnte faktorene, er det globale sikkerhetsskjeringsmarkedet i rask vekst. Eksperter anslår at metallavdekting og sikkerhetsskjeringssektoren alene vil være verdsatt til nærmere 10milliarder dollar i 2028, drevet hovedsakelig av økende offentlige sikkerhetsbekymringer og økende passasjervolumer. Flyplasser, stadioner, arenaer og skoler står under enormt press for å flytte mennesker raskt uten å kompromittere sikkerheten.

Dilemmaet sikkerhetspersonale står overfor er å balansere grundighet kreves for å sikre sikkerhet med bekvemmelighet og effisiens. Vi snakker ofte om hvordan sekundær skjerming kan fylle hullene, men virkeligheten er at når du står overfor titusener av reisende eller besøkende, kan du bare ikke åpne hver enkelt bag. Samtidig kan å gå glipp av en trussel være dødelig. Denne dynamikken setter hele systemet – fra produsenter, til administratorer, til hånd-til-hånd-personale – i en legitim knipe.

Nå, la oss ta en nærmere titt på hvordan teknologien historisk har fungert. Tradisjonelle gjennomgangs-metallavdektere, basert på elektromagnetisk induksjon, har vært pålitelige arbeidshester i tiår, i stand til å prosessere enorme volumer av mennesker i en akseptabel takt. Garrett’s gjennomgangs-metallavdektere, for eksempel, har vært den globale industristandarden i over 40 år, datert tilbake til når vi ble bedt om å lage vår første gjennomgangs-avdekter, MagnaScanner, for Sommer-OL 1984 i Los Angeles.

Til tross for deres “arv” status sammenlignet med andre fremgang i teknologi, er disse avdekterne fortsatt en av de mest kost-efektive, høy-ytelses- og stabile sikkerhetsløsninger på markedet. Problemet er at de tradisjonelt har manglet intelligensen til å skille mellom en belteknapp og et våpen, som deretter fører til sekundær skjerming – og de nevnte forsinkelsene. Disse falske alarmene kan føre til menneskelig utmattelse for sikkerhetspersonale, i tur potensielt kompromittere effektiviteten av deres overvåkingsprosess – en effekt som kan føre til konsekvenser ingen ønsker. Dette er nettopp der kunstig intelligens og maskinlæring kommer inn.

Dataene bak avdekting

I kjernen er AI omdefinerer metallavdekting fra en reaktiv prosess til en prediktiv en. I stedet for bare å lyde en alarm når metall er avdekt, kan AI-drevne våpenavdekningssystemer nå analysere formen, tettheten og posisjonen av metalliske objekter ved hjelp av komplekse signalmønster-gjenkjenning.

Vi bruker AI til å oppnå funksjonsnivåer for testet metallavdekningsteknologi som ikke tidligere var mulig. Noen stemmer i sikkerhetsskjeringsrommet forkaster metallavdekningsteknologi som foreldet, men de ignorerer de enorme fremgangene i sofistikasjonen av metallavdekningsteknologien i de siste årene. Ved å anvende disse fremgangene i maskinlæring til metallavdekningsteknologi, spesielt som det bidrar til produktutvikling, har metallavdektere vært i stand til å oppnå nøyaktighet som tidligere ikke var tenkelig. Hos Garrett, ble AI brukt til å utvikle en avansert, proprietær avdektingsplattform ved hjelp av maskinlæring for vår Paragon-gjennomgangs-metallavdekter, en av de mest brukte gjennomgangs-avdekterne på planeten. Disse maskinlæringsalgoritmene kan identifisere de subtile forskjellene mellom hverdagsobjekter – som mobiltelefoner eller nøkler – og potensielt farlige objekter, som kniver eller skytevåpen.

Når du går gjennom en AI-forbedret avdekter, er det ikke bare å se etter metall – det analyserer tusenvis av datapunkter og klassifiserer hva det ser basert på mønster lært fra millioner av tidligere forsøk under utvikling. Resultatet av dette er øyeblikkelig, nøyaktig avdekting av multiple trusler og sterkere overordnet sikkerhet. Vår AI-plattform for Paragon forbedrer den totale nøyaktigheten av mål innenfor portalen for enkelt- og fler-mål med over 88% og reduserer de falske alarmrate over tradisjonelle metallavdektere på markedet med over 5%.

I store arenaer, har selv små effisiensgevinster en massiv innvirkning. En enkelt falsk alarm kan forsinke titalls mennesker; multipliser det med titusener av gjester på et stadion eller passasjerer på en flyplass, og forstyrrelsen adderer seg raskt. Disse AI-baserte systemene hjelper med å løse dette. Dataene viser at på flere større amerikanske flyplasser og sportsarenaer, har gjennomgangs-avdektere drevet av maskinlæring kuttet sekundær bagasje-kontroll og skjermingstider eksponentielt.

Nøkkelen er at disse avdekterne ikke bare avdekter – de er pakket med intelligens tilegnet gjennom analyse av tusenvis av potensielle scenarioer og sannsynligheter for objekter og miljøfaktorer. Den viktige distinksjonen er at teknologien blir gitt til sikkerhetspersonale etter å ha blitt utdannet med disse sofistikerte maskinlæringsinsiktene under utvikling, i stedet for “å lære på jobben” – dette sikrer en betydelig reduksjon i risikoen for feil og feilavlesninger. Ved å gi trente profesjonelle mulighet til å analysere og intelligent anvende disse insiktene samlet inn av maskinlæring, garanterer det at en mer grundig, konsekvent sikkerhetsstandard etableres og implementeres over alle relevante innstillinger og anvendelser.

Uventede anvendelser

Det finnes også anvendelser utenfor sikkerhet for reise og arrangementer. Skoler og sykehus, for eksempel, adopterer i økende grad AI-drevne avdektere designet til å gjenkjenne våpen samtidig som de blir mer dyktige til å skille mellom hverdagsobjekter, reduserer angst og flaskehalser. Estetikk og teknologi som er gunstig for en sammenhengende, uintrusiv brukeropplevelse kan gå langt i å etablere komfort for pasienter og besøkende samtidig som de minimerer skjermings-relaterte konfrontasjoner eller hendelser. Noen produkter kan brukes i en “stealth-modus” hvor ingen hørbare alarmer skjer, hvilket bidrar til komforten for besøkende som passerer gjennom skjermingskontrollen. Disse “friksjonsløse” systemene lar mennesker gå gjennom uten å pause eller fjerne gjenstander fra bagasjen – et enormt skritt fremover i å gjøre sikkerhet både usynlig og effektiv.

Menneske-AI-samarbeid

Det er essensielt å merke seg at AI ikke skal erstatte menneskelige sikkerhetspersoner, men støtte dem. Menneske-AI-samarbeidet kan hjelpe med å redusere kognitivt overbelastning for skjeringspersonale, som ikke lenger trenger å manuelt tolke hver bip eller skanning, men det må implementeres med riktig trening og analyse. For eksempel, som en del av Garrett’s formelle AI-politikk, lover vi at resultater av AI-forbedrede designøvelser aldri brukes i produkter gjennom automatiserte eller uovervåkede midler og metoder. Alle AI-utdata som brukes i våre produkter er verifisert av dyktige, erfarne menneskelige agenter, og Garrett gjennomfører omfattende produkttesting i laboratoriet og på feltet for å sikre at alle AI-arbeidsprodukter er effektive og egnet for bruk i våre produkter. Garrett bruker heller ikke AI til å bygge selv-lærende og selv-justerende sikkerhetsprodukter som kan fungere på et tilstrekkelig nivå når de installeres, men som kan endre seg over tid under påvirkning av eksterne faktorer som ikke er utløst av sluttbrukeren.

AI kan hjelpe med å eliminere fordommer og også etablere større offentlig tillit til sikkerhetssystemer og -personer. Standardisering av våpenavdekter-protokoll sikrer objektiv, konsekvent skjerming av alle enkeltindivider, hjelper med å lettet potensielle spenninger og hendelser som lenge har vært en bekymring i manuelle sikkerhetskontroller.

Konklusjon: Den stille revolusjonen ved porten

Ettersom sikkerhetsteknologi fortsetter å utvikle seg, har fremtiden for gjennomgangs-metallavdekting potensialet til å være mer innvirkende og kritisk enn noen gang takket være en økt avhengighet av AI og maskinlæring. Med AI-assistert metallavdekting, kan de vanlige fallgruvene i tradisjonell metallavdekting “kontrollpunkter” – forsinkelser, falske positiver osv. – i stor grad lettet, øke gjennomstrømningshastigheten til å skille mellom trussel- og ikke-trussel-objekter i ganghastighet samtidig som det opererer med mer nøyaktighet og presisjon enn noen gang før.

I en tid med økende menneskelig mobilitet, sofistikerte sikkerhetstrusler og økt skarpehet på sikkerhetssystemer, representerer AI-drevet metallavdekting et enormt skritt fremover for å holde samfunnet trygt.